V. Fusion des données
V.7. Intérêts de la fusion des données
La fusion des données est bien adaptée à la gestion des informations dans un système multisensoriel pour la sécurité alimentaire. Les systèmes multicapteurs hybrides donnent naissance à des informations plus fiables, précises et robustes à la différence des systèmes dits «monocapteurs» (dans ce cas, les informations sont dérivées d’une seule source de données). La fusion des données
vise l’association, la combinaison et l’intégration de multiples sources de données de même nature ou hétérogènes représentant des connaissances et des informations diverses dans le but d’aboutir à une information globale plus fiable et plus complète. Ces capteurs présentent des données diérentes, voire complémentaires, ou même redondantes, et permettent d’interférer des informations à trois niveaux d’abstraction. Les données fusionnées reflètent non seulement l’information générée par chaque famille de capteurs, mais encore l’information qui n’aurait pu être fournie par aucune des sources prises séparément. En effet, il s'agit ici d'améliorer la connaissance du produit testé pour décrire au mieux possible ce qu’il est. Nous ne cherchons donc pas ici à fusionner des informations pour que le produit devienne tel que nous le souhaitons, ou tel qu'il devrait être. La fusion des données peut être utilisée dans le cadre de la classification, la régression et l’identification.
VI. Conclusion
L’utilisation d’un système sensoriel électronique individuel ou hybride passe par deux phases importantes: la fusion des données et leur traitement par les méthodes d’analyses multivariées. Afin de réduire au maximum les paramètres d’une mesure et surmonter le problème de dimensionnalité tout en conservant les caractéristiques essentielles, nous avons opté pour les méthodes de sélection de variables notamment la sélection pas à pas et par ANOVA. Cela nous a permis de trouver les meilleurs paramètres qui décrivent les variations des propriétés des capteurs opérant aussi bien en milieu gazeux et liquide face aux produits étudiés. Nous avons détaillé ensuite les méthodes d’analyses multivariées qui donnent les règles de reconnaissance permettant la discrimination et l’identification des produits de l’agroalimentaire. Ces règles de reconnaissance de formes sont implantées dans le code du programme sous forme d’algorithmes. Toute une panoplie de méthodes statistiques existe, nous nous sommes limités aux techniques que nous avons utilisées au cours de ces travaux de recherches. Nous avons exploré, en premier lieu, les méthodes linéaires principalement exploitées dans les applications de nez et langues électroniques à savoir: l’ACP, la CAH, l’ADL et les KNN. Ensuite, nous avons introduit quelques méthodes non linéaires de réseaux de neurones artificiels telles que les PMC et le Fuzzy ARTMAP. Enfin, nous avons mis l’accent sur l’approche "une contre une" de SVM pour la classification multiclasses supervisée. Enfin, nous avons passé en revue les différentes approches de la fusion des données en insistant principalement sur les trois niveaux d’abstraction: bas, intermédiaire et haut.
Bibliographie
[1] S. Cho, S. Baek, J.S. Kim, Expert Systems with Applications, 24 (2003) pp. 287–294.
[2] T. Hermle, U. Weimar, W. Rosenstiel and W. Göpel, The 5th Symposium on Olfaction & Electronic Nose, Hunt Valley, Maryland, September 27–30, 1998.
[3] A. Heilig, N. Barsan, U. Weimar and W. Gopel, Sens. Actuators B, 58 (1999) pp. 302-309. [4] E. Llobet J. Brezmes, R. Ionescu, X. Vilanova, S. Al-Khalifa, J.W. Gardner, N. Bârsan, X. Correig, Sens. Actuators B, 83 (2002) pp. 238–244.
[5] S.M. Scott, D. James and Z. Ali, Microchim Acta, 156 (2007) pp. 183–207.
[6] T. C. Pearce, S.S. Schiffman, H.T. Nagle and J.W. Gardner, Handbook of machine olfaction-electronic nose technology, Wiley-VCH, Weinheim, pp. 1265–1266, 2003.
[7] R. Bellman, Adaptive control processes: a guided tour, Princeton University Press, 1961.
[8] A.K. Jain, R.P.W. Duin and J.C. Mao, Statistical pattern recognition: a review. IEEE Pattern Anal Machine Intelligence, 22 (2000) pp. 4–37.
[9] S. Haykin, Neural networks, a comprehensive foundation, 2nd edn. Prentice Hall, Upper Saddle River, N.J., pp 842, 1999.
[10] S. Pardo, S. Marco, C. Calaza, A. Ortega, A. Perera, T. Sundic and J.Samitier, in: J.W. Gardner, K.C. Persaud (Eds.), Electronic Noses and Olfaction, IoP Publishing, Bristol, pp. 83–88, 2000. [11] P. Corcoran, J. Anglesea and M. Elshaw, Sens. Actuators A, 76 (1999) pp. 57–66.
[12] P. Boilot, E.L. Hines, M.A. Gongora and R.S. Folland, Sens. Actuators B, 88 (2003) pp. 80–88. [13] M. Pardo and G. Sberveglieri, Sens. Actuators B, 123 (2007) pp. 437–443.
[14] U. Depczynski, V.J. Frost and K. Molt, Analtica Chimica Acta, 420 (2000) pp. 217–227.
[15]N. Benoudjit, E. Cools, M. Meurens and M. Verleysen, Chimiométrie, Proceedings, Paris, 4–5 December, pp. 25–28, 2002.
[16] J. M. Sutter and J.H. Kalivas, Microchem. J., 47 (1993) pp. 60–66.
[17] L. Nolle, D.A. Armstrong, A.A. Hopgood and J. A. Wware, Int. J. of Know. based Intell. Eng. Sys., 6 (2002) pp. 104–111.
[18] J.M. Gutiérrez, Z. Haddi, A. Amari, B. Bouchikhi, A. Mimendia, X. Cetó, M. del Valle, Sens. Actuators B, 177 (2013) pp. 989–996.
[19] L. Lebart, A. Morrineau and M. Piron, Statistique Exploratoire Multidimensionnelle, Paris : Dunod, 2ème Ed., 1997.
[20] Z. Haddi, M. Bougrini, S. Ihlou, A. Amari, S. Mabrouk, H. Barhoumi, A. Maaref, N. El Bari, E. Llobet, N. Jaffrezic-Renault, B. Bouchikhi, Proceedings of IEEE Sensors (2012) pp. 1–4.
[21] H.J. Hotelling, Journal of Educational Psychology, 24 (1933) pp. 417–441.
[22] H.E Johnson, A.J. Lloyd, L.A.J. Mur, A.R. Smith and D.R. Causton, Metabolomics, 3 (2007) pp. 517–530.
[23] H.S. Nguyen, International Journal of Hybrid Intelligent Systems, 2 (2005) pp. 149–160. [24] M. Pardo, G. Sberveglieri, S. Gardini, E. Dalcanale, Sens. Actuators B, 69 (2000) pp. 359–365. [25] R.A. Fisher, Annals of Eugenics, 7 (1936) pp. 179–188.
[26] P.C. Mahalanobis, Proceeding of the National Institute of Science of India, 12(1936) pp.49–55. [27] B. Dubuisson, Diagnostic et reconnaissance de formes. Paris: Hermes, 1990.
[28] R.O. Duda, P.E. Hart and D.G. Stork, Pattern Classification, John Wiley & Sons, Inc., New York, 2000.
[30] S.D. Rodriguez, M.E. Monge, A.C. Olivieri, R.M. Negri and D.L. Bernik, Food Research International, 43 (2010) pp. 797–804.
[31] M.L. Minsky and S. Papert, Perceptrons: an introduction to computational geometry. MIT Press, expanded edition, 1988.
[32] D.E. Rumelhart, G.E. Hinton, and R.J., Williams, Nature, 323 (1986) pp. 533–536.
[33] E. Llobet, J. Brezmes, O. Gualdrón, X. Vilanova and X. Correig, Sens. Actuators B, 99 (2004) pp. 267–272.
[34] V.N. Vapnik, The nature of statistical learning theory. Springer-Verlag New York, Inc., 1995. [35] B. Schölkopf, C. Burges and V. Vapnik, In KDD'95, pp. 252–257, 1995.
[36] R. Rifkin and A. Klautau, Journal of Machine Learning Research, 5 (2004) pp. 101–141.
[37] E. Mayoraz and E. Alpaydin. Support vector machines for multi-class classification. Technical Report 98-06, IDIAP, 1998.
[38] J. Friedman. Another approach to polychotomous classification. Technical report, Department of Statistics, Stanford University, 1996.
[39] K. Bennett and O.L. Mangasarian, Optimization Methods and Software, 3 (1993) pp. 27–39. [40] V.N. Vapnik. Statistical learning theory. New York: Wiley, 1998.
[41] J. Weston and C. Watkins, Proceedings of the 6th European Symposium on Artificial Neural Networks, 1999.
[42] I. Bloch, Proceedings of Journées Nationales de la Recherche en Robotique, pp 78–88, 2005. [43] M. Rambaut. Fusion : état de l'art et perspectives. Convention DSP 99.60.078, 2001.
[44] R. Benmokhtar, Thèse d’Université, TELECOM ParisTech, 2009.
[45] A.N. Steinberg, C.L. Bowman and F.E. White, Proceeding of Joint NATO/IRIS Conference, 1998.
[46] I. Ayari, Thèse de Doctorat 3ème cycle, Université Henri Poincarré, Nancy I, 1996. [47] K. Mieczyslaw, T. Jerzy and W. Jerzy, Information Fusion, 5 (2004) pp. 189–202.
[48] B. Denis, D. Didier, P. Marc and P. Jean-Charles, Concepts et méthodes pour l'aide à la décision : outils de modélisation, Hermes science, 2006.
[49] Data Fusion Lexicon, Rapport technique, F.E. White, Code 42402, NOSC, San Diego, Californie, 1991.
[50] L. Wald, Data Fusion - Definitions and architectures - Fusion of images of different spacial resolutions, Les Presses de l'École des Mines, 2002.
[51] D.L. Hall and J. Llinas, Proceeding of the IEEE, 85 (1997) pp. 6–23.
[52] A. Rudnitskaya, D. Kirsanov, A. Legin, K. Beullens, J. Lammertyn, B. M. Nicolaï and J. Irudayaraj, Sens. Actuators B, 116 (2006) pp. 23–28.
[53] J. H. Graham, IEEE International Conference on Systems, (1986) pp. 492–497. [54] R. Cooke. Experts in uncertainty, Oxford University Press, 2001.
[55] L. Cholvy and S. Moral. Int. J. Intell. Syst., 16 (2001) pp. 1193–1221. [56] P. Jannin, C. Grova and B. Gibaud, ITEM-MM 22 (2001) pp. 196–215.
[57] Olivier Passalacqua, Thèse d’Université, Université de Savoie, (Annecy-le-Vieux), 2009. [58] K. J. McConway, Journal of the American Statistical Association, 76 (1981) pp. 410–414. [59] A.P. Dempster, Analysis of Mathematical Statistics, 38 (1967) pp. 325–339.
[60] G. Shafer, A Mathematical theory of evidence, Princeton University Press, 1976. [61] L.A. Zadeh, Probability Measures of Fuzzy event, JMAA, Vol. 23, 1968.
[62] D.L. Hall, Mathematical Technique in Multi-Sensor Data Fusion, Artech House, London, England, 1992.
[64] S. Benedetti, N. Sinelli, S. Buratti and M. Riva, J. Dairy Sci., 88 (2005) pp. 3044–3051. [65] K. Brudzewski, S. Osowski and J. Ulaczyk, Sens. Actuators B, 145 (2010) pp. 246–249.
[66] C. Söderström A. Rudnitskaya, A. Legin and C. Krantz-Rülcker, Journal of Biotechnology 119 (2005) pp. 300–308.
[67] C. Di Natale, R. Paolesse, A. Macagnano, A. Mantini, A. D’Amico, M. Ubigli, A. Legin, L. Lvova, A. Rudnitskaya and Y. Vlasov, Sens. Actuators B, 69 (2000) pp. 342–347.
[68] A. Zakaria, A.Y. Md. Shakaff, A.H. Adom, M.N. Ahmad, M.J. Masnan, A.H.A. Aziz, N.A. Fikri, A.H. Abdullah and L.M. Kamarudin, Sensors, 10 (2010) pp. 8782–8796.
[69] Apetrei, I.M. Apetrei, S. Villanueva, J.A. de Saja, F. Gutierrez-Rosales and M.L. Rodriguez-Mendez, Analytica Chimica Acta, 663 (2010) pp. 91–97.
[70] S. Roussel, V. Bellon-Maurel, J.M. Roger and P. Grenier, Chemometrics and Intelligent Laboratory Systems, 65 (2003) pp. 209–219.
[71] C. Di Natale, R. Paolesse, A. Macagnano, A. Mantini, A. D’Amico, A. Legin, L. Lvova, A. Rudinitskaya and Y. Vlasov, Sens. Actuators B, 64 (2000) pp. 15–21.
[72] V. Steinmetz, M. Crochon, V. Bellon-Maurel, J. Garcia-Fernandez, P. Barreiro Elorza and L. Verstreken, J. Agric. Eng. Res., 64 (1996) pp. 15–28.
[73] Y. Edan, H. Pasternak, D. Guedalia, N. Ozer, I. Shmulevitch, D. Rachmani, E. Fallik and S. Grinberg, Am. Soc. Agric. Eng., Intern., Kansas city, US, June 19– 22, pp. 1–19, 1994.
[74] N. Ozer, B.A. Engel, J.E. Simon, Trans. ASAE, 38 (1995) pp. 1927– 1934.
CHAPITRE IV
Analyse et interprétation des résultats
obtenus par les dispositifs de nez et langue
électroniques
I. Introduction
Ce chapitre est une synthèse des principaux résultats obtenus au cours de la caractérisation de la matrice de capteurs des deux dispositifs de nez et langues électroniques. Trois applications ont été ciblées pour chaque système multicapteurs touchant aussi bien le domaine de la sécurité alimentaire que la protection de l’environnement. En effet, le nez électronique, conçu à base de cinq capteurs de gaz de type TGS, va être utilisé, en premier lieu pour caractériser cinq types de drogues marocaines. Ensuite, ce même dispositif va servir pour le contrôle de la qualité des fromages aux laits de vache et de chèvre et la détection des pratiques frauduleuses de leur production. Enfin, pour discriminer entre les eaux potables et usées. Quant à l’analyse en milieux liquides, nous allons caractériser huit variétés d’eaux marocaines par une langue électronique potentiométrique contenant huit électrodes sélectives aux ions (ISEs) et une électrode de référence. Une autre langue électronique, cette fois voltammétrique, a été développée à base de l’électrode de diamant dopé au bore (BDD) pour deux applications: la première est une analyse qualitative ayant comme objectif l’identification des eaux de rejets domestiques et hospitaliers, alors que la seconde concerne une étude semi-quantitative dédiée à la détection simultanée et l’identification des métaux lourds (Cadmium, Cuivre, Mercure, Nickel, Plomb et Zinc) dans l’eau du fleuve Rhône (Lyon).
Après la phase importante de caractérisation des réponses des capteurs pour ces différents échantillons, ce travail va être poursuivi par une phase d'extraction des variables représentatives, issues des réponses temporelles et des voltammogrammes des capteurs. Avec ce prétraitement, nous obtenons des paramètres qui sont ensuite exploités dans une analyse multivariée afin d’obtenir des règles de classification fiables pour l'identification d'échantillons. Les méthodes d’analyses multivariées utilisées pour les applications des systèmes de nez et langues électroniques sont: l’Analyse en Composantes Principales (ACP), l’Analyse Discriminante Linéaire (ADL), l’Analyse de Variance Multivariée (MANOVA), les K-plus Proches Voisins (KNN), le Perceptron MultiCouches (PMC) et les Séparateurs à Vastes Marges (SVM).
Ainsi ce chapitre est scindé en six parties. Chaque partie débute par une présentation de l’objectif du travail et se termine par une conclusion. Les résultats essentiels obtenus sont décrits, interprétés et discutés pour chaque application envisagée.